在视觉生成领域,VQGAN作为初始tokenizer长期以来一直发挥着不可或缺的作用,特别是在自回归视觉生成任务中。然而,由于码本大小和利用率的限制,基于VQGAN的自回归生成能力一直被低估。为了突破这一瓶颈,腾讯ARC团队开源了Open-MAGVIT2项目,这是对原始MAGVIT2模型的重新实现,旨在推动自回归视觉生成技术的发展。
MAGVIT2提出了一种强大的视觉tokenizer,通过引入新颖的无查找(LookUpFree)量化技术并将码本大小扩展到$2^{18}$,在图像和视频生成任务中展现出令人瞩目的性能。这一技术在近期最先进的自回归视频生成模型VideoPoet中发挥了关键作用。然而,研究界一直无法获取这个强大的tokenizer。
Open-MAGVIT2项目的目标是遵循MAGVIT-2中tokenizer设计的重要见解,并使用PyTorch重新实现它,以期达到与原始模型最接近的结果。该项目希望通过这一努力,能够在自回归视觉生成领域推动创新和创造力的发展。
最先进的性能: Open-MAGVIT2在8倍下采样时实现了0.39的rFID,超越了VQGAN、MaskGIT以及最近的TiTok、LlamaGen和OmniTokenizer等模型。
灵活的分辨率支持: 项目提供了针对不同分辨率的训练代码和检查点,包括128x128和256x256的ImageNet模型。
高度的码本利用率: 相比其他模型,Open-MAGVIT2实现了100%的码本利用率,充分发挥了大规模码本的潜力。
优秀的重建质量: 在PSNR指标上,Open-MAGVIT2达到了21.53(256x256)和25.78(128x128)的高分,展现出卓越的图像重建能力。
Open-MAGVIT2的核心是其视觉tokenizer,由编码器、无查找量化器(LFQ)和解码器组成。这一设计使得模型能够高效地将图像转换为离散的token序列,并在重建过程中保持高质量。
图1: Open-MAGVIT2 tokenizer的框架图,展示了编码器、LFQ和解码器的组成
在与其他先进模型的对比中,Open-MAGVIT2展现出显著的优势:
方法 | Token类型 | Token数量 | 训练数据 | 码本大小 | rFID | PSNR | 码本利用率 |
---|---|---|---|---|---|---|---|
VQGAN | 2D | 16x16 | 256x256 ImageNet | 1024 | 7.94 | 19.4 | - |
MaskGIT | 2D | 16x16 | 256x256 ImageNet | 1024 | 2.28 | - | - |
LlamaGen | 2D | 16x16 | 256x256 ImageNet | 16384 | 2.19 | 20.79 | 97% |
Open-MAGVIT2 | 2D | 16x16 | 256x256 ImageNet | 262144 | 1.53 | 21.53 | 100% |
表1: 不同tokenizer在256x256 ImageNet 50k验证集上的重建性能对比
特别值得注意的是,Open-MAGVIT2在128x128分辨率上训练并在512x512分辨率上测试时,仍然保持了出色的性能:
方法 | Token类型 | Token数量 | 数据 | rFID |
---|---|---|---|---|
MAGVIT2 | 2D | 16x16 | 128x128 ImageNet | 1.21 |
Open-MAGVIT2 | 2D | 16x16 | 128x128 ImageNet | 1.56 |
表2: 与原始MAGVIT2在128x128分辨率上的性能对比
Open-MAGVIT2不仅在数据指标上表现优异,在实际的图像重建效果上也令 人印象深刻。以下是一些重建结果的可视化:
图2: 在256x256分辨率上训练和测试的Open-MAGVIT2 tokenizer重建效果。(a)为原始图像,(b)为重建图像。
图3: 在128x128分辨率上训练并在512x512分辨率上测试的Open-MAGVIT2 tokenizer重建效果。(a)为原始图像,(b)为重建图像。
Open-MAGVIT2项目目前仍处于早期阶段,团队正在积极开发中。未来的工作计划包括:
这些计划的实现将进一步推动自回归视觉生成技术的发展,为研究者和开发者提供更强大的工具。
Open-MAGVIT2项目为自回归视觉生成领域带来了新的可能性。通过开源实现MAGVIT2的核心技术,该项目不仅展示了卓越的性能,还为整个社区提供了宝贵的研究资源。随着项目的不断发展和完善,我们期待看到更多基于这一技术的创新应用,推动视觉生成技术向更高水平迈进。
对于有兴趣深入了解或参与项目的研究者和开发者,Open-MAGVIT2的GitHub仓库提供了详细的安装指南、训练脚本和评估方法。通过共同努力,我们有望在不久的将来见证自回归视觉生成技术的新突破。
OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。
openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。
高分辨率纹理 3D 资产生成
Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。
一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。
3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。
用于可扩展和多功能 3D 生成的结构化 3D 潜在表示
TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根 据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。
10 节课教你开启构建 AI 代理所需的一切知识
AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。
AI Excel全自动制表工具
AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。
基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。
UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。
开源且先进的大规模视频生成模型项目
Wan2.1 是一个开源且先进的 大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。
全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表
爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。
一款强大的视觉语言模型,支持图像和视频输入
Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号